#時事熱點頭條說#
來源|McKinsey&Company
編譯|智成企業研究院 崔帥
要把握未來，就要了解那些推動生成式人工智能興起的各項突破，這些突破已經醞釀了幾十年。ChatGPT、GitHub Copilot、Stable Diffusion以及其他引起公衆關注的生成式人工智能工具是近年來大量投資的結果，這些投資推進了機器學習和深度學習，同時嵌入到了我們每天使用的許多人工智能應用程式産品和服務中。
早在2016年，DeepMind開發的基于人工智能的程式AlphaGo擊敗了一名世界圍棋冠軍，這是一個值得慶祝的裡程碑事件，但很快就從公衆的視線中消失了。
不同于AlphaGo，以ChatGPT為代表的生成式人工智能俘獲了全世界的想象力，主要歸功于其廣泛的實用性——幾乎任何人都可以用它們來交流和創造——以及與使用者對話的超自然能力。最新的生成式人工智能應用程式可以執行一系列正常任務，例如資料的重組和分類等。他們書寫文字、作曲和創造數字藝術的能力長期占據新聞頭條，說服了消費者自行嘗試，以至于更廣泛的利益相關者正在努力應對生成式人工智能對商業和社會的影響。
在麥肯錫的報告中，生成式人工智能定義為使用基礎模型建構的應用程式。這些模型包含廣泛的人工神經網絡，其靈感來自于人類大腦中連接配接的數十億神經元。基礎模型是所謂深度學習的一部分，有别于過去的深度學習模型，生成式人工智能基礎模型可以處理大量不同的非結構化資料集，并執行多個任務。例如新的基礎模型可以處理圖像、視訊、音頻和計算機代碼等，并且在這些模型上訓練的人工智能可以執行分類、編輯、總結、回答問題、起草新内容等功能。
持續的創新也會帶來新的挑戰。例如，訓練具有數千億參數的生成式人工智能所需的計算能力可能會成為發展的瓶頸。此外，還有一個重要的舉措——由開源社群帶頭，并蔓延到生成型人工智能公司的上司者身上——使人工智能更負責任，這可能會增加其成本。
對生成式人工智能的投資雖然隻占人工智能總投資的一小部分，但卻意義重大，而且增長迅速——僅在2023年前五個月就達到120億美元。從2017年到2022年，風險資本和其他私人外部投資在生成式人工智能領域投資的平均複合增長率為每年74%。在同一時期，人工智能的總體投資每年增長29%。
本文邏輯：
01 生成式AI的經濟效益
02 人工智能對工作活動、經濟增長和生産力的影響
03 企業和社會的考慮事項
04 結語
想擷取完整報告的朋友，關注公衆号并在号内回複“生成式AI”擷取。
（正文7800字，閱讀時間約13-15分鐘)
01
生成式AI的經濟效益
首先是從用例的角度看，麥肯錫将“用例”定義為針對特定業務挑戰應用生成式人工智能，并産生一個或多個可衡量的結果。
例如，市場營銷中的一個用例是應用生成式人工智能來生成個性化電子郵件等創意内容，其可衡量的結果可能包括生成此類内容的成本降低，以及大規模提高高品質内容帶來的收入增加。麥肯錫确定了63個生成式人工智能用例，涵蓋16個業務功能，在跨行業應用時，每年可提供2.6萬億至4.4萬億美元的經濟效益總價值。
從這個視角看，經濟價值可以釋放出11.0萬億到17.7萬億美元，在2017年，這一預測資料為9.5萬億至15.4萬億美元。
從另一個視角來看，生成式人工智能對大約850個職業所需的工作活動具有潛在影響。麥肯錫對場景進行模組化，以評估生成式人工智能何時能夠完成2100多項“詳細工作活動”，這些活動構成了全球經濟中的職業，例如“與他人就營運計劃或活動進行溝通”。
排除兩個視角下成本降低的重疊部分，生成式人工智能的總經濟效益，每年将達到6.1萬億至7.9萬億美元。
雖然生成式人工智能是一項令人興奮且快速發展的技術，但卻隻占人工智能整體潛在價值的小部分。其他類型的人工智能也在充分發揮其價值，例如傳統的進階分析和機器學習算法在執行數值和優化任務(如預測模組化)方面非常有效，并且它們繼續在廣泛的行業中尋找新的應用。但不可否認的是，随着生成式人工智能的不斷發展和成熟，它有可能在創造力和創新方面開辟全新的領域，以擴充人工智能整體可以實作的可能性。
① 按功能劃分的潛在價值
雖然生成式人工智能可能會對大多數業務功能産生影響，但當以技術的影響作為成本的份額來衡量時，有些功能會脫穎而出。麥肯錫對16個業務功能的分析确定了僅客戶營運、營銷和銷售、軟體工程和研發4個功能，占據了生成式人工智能用例年總價值的約75%。
值得注意的是，在人工智能用例規模突出的幾個功能(包括制造和供應鍊功能)中使用生成式人工智能，潛在價值要低得多。
除此之外，生成式人工智能還可以通過徹底改變内部知識管理系統來推動整個組織的價值。例如，生成式人工智能令人印象深刻的自然語言處理能力，可以幫助員工通過檢索存儲的内部知識，這可以使團隊能夠快速通路相關資訊，快速做出更明智的決策并制定有效的戰略。
2012年，麥肯錫全球研究所(McKinsey Global Institute, MGI)預測，知識型員工花費了大約五分之一的時間來搜尋和收集資訊，如果生成式人工智能能夠承擔這些任務，提高從業人員的效率和效力，那麼收益将是巨大的。
② 形态的價值潛力
技術已經徹底改變了企業開展業務的方式，而基于文本的人工智能處于這一變革的前沿。事實上，基于文本的資料豐富，可通路，并且易于大語言模型（LLM）處理和分析，在生成式人工智能開發的初始階段就引起了強烈的重視。目前生成式人工智能的投資格局也主要集中在聊天機器人、虛拟助手和語言翻譯等基于文本的應用程式上。然而，麥肯錫預計，在生成式人工智能可以釋放的價值中，有近五分之一将利用文本到文本之外的多模式功能。
雖然大多數生成式人工智能的最初推動力都是基于文本的用例，但最近生成式人工智能的進展也導緻了圖像生成方面的突破，OpenAI的DALL·E和Stable Diffusion已經充分說明了這一點，并且在音頻(包括語音和音樂)和視訊方面也取得了很大進展。這些功能在市場營銷中有明顯的應用，可以生成廣告材料和其他營銷内容，這些技術已經應用于媒體行業，包括遊戲設計。事實上，其中一些例子挑戰了現有的人才、盈利和知識産權方面的商業模式。
生成式人工智能的多模式能力也可以有效地用于研發。生成式人工智能系統可以根據描述産品需求的提示，建立電路設計、建築圖紙、結構工程設計和熱設計的初稿。實作這一點需要在這些領域中訓練基礎模型。一旦經過訓練，這樣的基礎模型可以在與軟體開發相似的量級上提高生産力。
③ 行業價值潛力
在麥肯錫分析的63個用例中，生成式人工智能有可能在各行業創造2.6萬億至4.4萬億美元的價值。其确切影響将取決于各種因素，如不同功能的組合和重要性，以及行業收入的規模。
例如，據測算，通過提高營銷和客戶互動等功能的績效，生成式人工智能可以為零售業(包括汽車經銷商)貢獻大約3100億美元的附加值。相比之下，高科技的大部分潛在價值來自生成式人工智能提高軟體開發速度和效率的能力。
在銀行業，生成式人工智能有可能通過承擔風險管理中較低價值的任務(例如所需的報告、監控監管動态和收集資料)來提高人工智能的效率。在生命科學行業，生成式人工智能有望為藥物發現和開發做出重大貢獻。
02
人工智能對工作活動、
經濟增長和生産力的影響
麥肯錫全球研究所(McKinsey Global Institute)于2017年開始分析自動化技術的影響，并對其采用的場景進行模組化。在那個時候，我們估計勞工有一半的時間花在了那些有可能被自動化的活動上，我們稱之為技術自動化的潛力。我們還模拟了一系列潛在的場景，以預測這些技術可能被采用的速度，并影響全球經濟中的工作活動。
大規模的技術采用不會在一夜之間發生。實驗室中潛在的技術能力并不一定意味着它們可以立即內建到自動化特定工作活動的解決方案中，開發這樣的解決方案需要時間。即使開發了這樣的解決方案，如果它的成本超過人力成本，它在經濟上也可能不可行。此外，即使存在部署的經濟激勵，在全球經濟中推廣也需要時間。是以，通過采用場景，将這些因素與技術自動化潛力結合考慮，提供了勞工活動随時間變化的速度和規模。
工作活動和職業組合的大規模轉變并非沒有先例。把今天農民的工作和幾年前做個比較，許多農民現在通過手機擷取市場資訊，以确定何時何地出售他們的作物，或者下載下傳複雜的天氣模式模型。從更宏觀的角度來看，中國的農業就業占所有勞動力的比例從1962年的82%降低到2013年的13%。勞動力市場也是動态的：在美國，每個月都有數以百萬計的人離開他們的工作。但是，這并沒有減少個體勞工所面臨的挑戰，他們的生活被這些變化所颠覆，也沒有減少組織或社會方面挑戰的應對，以確定勞工有技能從事需要的工作，并確定他們的收入足以提高他們的生活水準。
此外，從宏觀經濟的角度來看，人口結構使這種活動轉變成為必要。由于全球勞動力增長放緩，出現了經濟增長差距，在一些主要國家，由于人口老齡化，勞動力已經萎縮，勞動生産率必須加快提高，才能實作經濟增長和繁榮。
生成式人工智能的新能力，與以前的技術相結合，并整合到世界各地的企業營運中，可以加速個人活動技術自動化的潛力，并采用增強勞動力能力的技術。它們還可能對知識工作者産生影響，這些知識工作者的活動直到将來會因為這些技術而發生變化。
① 加速利用技術潛力轉變知識型工作
基于生成式人工智能的發展，現在預計技術性能将與人類表現的中位數相比對，并在廣泛的能力範圍内比之前估計的更早達到人類表現的前四分之一。例如，MGI之前确定2027年是人類自然語言了解的中位數技術可能實作的最早年份，但在這項新的分析中，相應的點是2023年。
由于生成式人工智能對技術能力的重新評估，理論上可以通過內建現有技術實作自動化的總時間百分比已從約50%提高到了60 - 70%。由于生成式人工智能自然語言能力的加速，技術潛力曲線相當陡峭。
有趣的是，與2017年的專家評估相比，早期和晚期情景之間的時間範圍被壓縮了，這反映了人們對更高水準的技術能力将在特定時期到來的更大信心。
② 自動化程序加速
麥肯錫對采用場景的分析考慮了将技術能力內建到能夠自動化單個工作活動的解決方案中所需的時間、将這些技術的成本與世界上不同職業和國家的人力成本進行比較以及技術在整個經濟中擴散所花費的時間。
随着生成式人工智能所帶來的技術自動化潛力的加速，我們采用自動化的場景也相應加快了。考慮到開發和采用解決方案的速度将根據投資、部署和監管等因素的決策而有所不同，這些場景包含了廣泛的結果。但它們表明，勞工每天從事的活動可能會發生多大程度的變化。
以教師為例，他們的具體工作活動包括準備考試和評估學生的作業。随着生成式人工智能增強的自然語言能力，更多的這些活動可以由機器完成，也許最初是由教師建立編輯的初稿，但最終可能需要更少的人工編輯。這可以騰出時間，讓這些老師把更多的時間花在其他工作上，比如指導課堂讨論或輔導需要額外幫助的學生。
之前模組化的采用場景表明，2016年工作活動花費的50%的時間将在2035年至2070年之間的某個時間實作自動化，中間約為2053年。如今，考慮到生成式人工智能的發展，麥肯錫更新的采用場景，模拟了2023年工作活動花費的50%的時間将在2030年至2060年之間達到自動化，中點為2045年——與之前的估計相比，大約加速了十年。
在發達國家，自動化技術應用的速度也可能更快，因為那裡的工資更高，是以采用自動化的經濟可行性出現得更早。即使技術自動化在某一特定工作活動的潛力很大，這樣做所需的成本也必須與人力工資成本進行比較。在中國、印度和墨西哥等工資率較低的國家，自動化采用的速度比工資較高的國家慢。
③ 生成式人工智能對知識工作的潛在影響
前幾代自動化技術在收集和處理資料相關的任務方面特别有效。生成式人工智能的自然語言能力在一定程度上增加了這些類型活動的自動化潛力。但它對體力勞動活動的影響要小得多，這并不奇怪，因為它從根本上被設計為執行認知任務。
是以，生成式人工智能可能會對知識工作産生最大的影響，特别是涉及決策和協作的活動，這些活動以前的自動化潛力最低。
生成式人工智能能夠在各種活動和任務中了解和使用自然語言，這在很大程度上解釋了為什麼自動化的潛力會如此急劇上升。在經濟活動中，大約40%的工作至少需要人類對自然語言的了解達到中等水準。
是以，許多涉及溝通、監督、文檔和與一般人互動的工作活動都有可能通過生成式人工智能實作自動化，進而加速了教育和技術等職業的工作轉型，此前預計自動化潛力将在未來出現。
勞動經濟學家經常指出，自動化技術的部署往往對技能水準最低的勞工(以受教育程度來衡量)的影響最大，也就是所謂的技能偏見。然而，生成式人工智能具有相反的特點——它可能會通過替代一些受教育程度更高的勞工的活動來産生最大的增量影響。
前幾代自動化技術通常對收入分布中工資下降的職業影響最大。對于工資較低的職業來說，工作自動化變得更加困難，因為自動化的潛在好處在與較低成本的人力競争。此外，在低工資職業中執行的一些任務在技術上很難實作自動化，例如，操縱織物或采摘精緻的水果。之前的模型表明，工作自動化可能會對中低收入人群産生最大的中期影響。然而，生成式人工智能的影響可能會最大程度地改變高工資知識工作者的工作，因為他們的活動在技術自動化潛力方面取得了進步，而這些活動以前被認為相對不受影響。
④ 生成式人工智能可以推動更高的生産率增長
從2012年到2022年，全球經濟增長速度比之前的20年要慢，盡管新冠肺炎疫情是一個重要因素，但長期結構性挑戰——包括出生率下降和人口老齡化——仍是增長的障礙。
就業下降是這些障礙之一。全球勞動力總數的複合年增長率從1972-1982年的2.5%降至2012-2022年的0.8%，主要原因是老齡化。在許多大國，勞動力的規模已經在下降，生産率衡量的是相對于投入的産出，或生産的商品和服務的價值除以生産這些商品和服務所需的勞動力、資本和其他資源的數量，它是1992年至2022年這30年裡經濟增長的主要引擎,。然而，自那以後，生産率增長随着就業增長放緩而放緩，這讓經濟學家和政策制定者感到困惑。
可生成人工智能和其他技術的部署可以幫助加快生産率提高，部分補償就業問題，并促進整體經濟增長。根據我們的估計，從2023年到2040年，由這些技術實作的個人工作活動的自動化可以為全球經濟提供每年0.2%至3.3%的生産率提升，具體取決于自動化采用的速度——生成式人工智能對這一增長的貢獻為0.1至0.6個百分點——但前提是受技術影響的個人要轉移到至少與2022年生産率水準相比對的其他工作活動。在某些情況下，勞工将繼續從事同樣的職業，但他們的活動組合将發生變化，在一些國家，勞工将需要轉換職業。
生成式人工智能的能力極大地擴充了工作活動的範圍，加快了自動化部署的步伐，并擴大了受其影響的勞工類型。像其他技術一樣，人工智能承擔日常任務和工作的能力可以提高人類的生産力，近20年來，人類的生産力一直以低于平均水準的速度增長。它還可以抵消老齡化的影響，老齡化正開始削弱世界上許多主要經濟體的勞動力增長。但要實作這些好處，大量勞工将需要從根本上改變他們的工作，要麼是在現有的職業中，要麼是在新的職業中。他們在過渡到新活動時也需要支援。
03
企業和社會的考慮事項
曆史表明，新技術具有重塑社會的潛力。人工智能已經改變了我們的生活和工作方式，例如，它可以幫助我們的手機了解我們說的話，或者起草電子郵件。然而，大多數情況下，人工智能仍停留在幕後，優化業務流程或對下一個購買的産品提出建議。生成式人工智能的快速發展可能會顯著增強人工智能的整體影響，每年産生數萬億美元的附加價值，并改變工作的性質。
但這項技術也可能帶來新的重大挑戰。考慮到可生成人工智能的應用速度，利益相關者必須迅速采取行動，為應對機遇和風險做好準備。風險已經浮出水面，包括對生成式人工智能系統産生的内容的擔憂：它們是否會因為用于建立基礎模型的訓練資料“抄襲”而侵犯知識産權?法學碩士在被質疑時給出的答案是否準确，是否可以解釋?人工智能生成的内容是公平的，還是以使用者不希望的方式存在偏見，比如，生成反映有害刻闆印象的内容?
經濟方面也存在挑戰:勞動力轉型的規模和範圍相當大，在中間采用情景中，大約四分之一到三分之一的工作活動可能在未來十年内發生變化。我們面臨的任務是同時管理該技術的潛在積極和消極影響。在平衡我們對該技術潛在好處的熱情與它可能帶來的新挑戰的同時，我們需要解決一些關鍵問題。
① 公司和商業領袖
企業如何迅速采取行動抓住潛在價值，同時管理生成式人工智能帶來的風險?
未來幾年，生成式人工智能和其他人工智能将如何改變公司員工所需的職業和技能組合?公司将如何在招聘計劃、再教育訓練計劃和其他人力資源方面實作這些轉變?
在確定該技術不被部署在可能危害社會的“負面用例”中，公司是否有責任發揮作用?
企業如何透明地分享他們在行業内和行業間擴充生成式人工智能使用的經驗，以及與政府和社會的經驗?
② 政策制定者
就職業和技能而言，未來的工作在經濟層面上會是什麼樣子?這對勞動力規劃意味着什麼?
随着時間的推移，員工的活動發生了變化，如何為他們提供支援?可以實施哪些再教育訓練計劃?需要什麼樣的激勵措施來支援私營企業投資人力資本?有沒有邊學邊賺的項目，比如學徒制，可以讓人們在接受再教育訓練的同時繼續養活自己和家人?
政策制定者可以采取哪些措施來防止生成人工智能被用于傷害社會或弱勢群體的方式?
是否可以制定新政策并修改現有政策，以確定以人為中心的人工智能開發和部署，包括人類監督和不同的觀點和社會價值觀?
③ 作為勞工、消費者和公民的個人
對于生成式人工智能的出現，個人應該有多擔心?雖然公司可以評估這項技術将如何影響他們的底線，但公民可以從哪裡獲得準确、公正的資訊，了解它将如何影響他們的生活和生計?
作為勞工和消費者的個人如何平衡人工智能帶來的便利及其對工作場所的影響?
公民能否在決定将生成式人工智能部署和內建到他們生活結構中的決策中擁有發言權?
04
結語
技術創新可以激發同等程度的敬畏和關注。當這種創新似乎在一夜之間形成并廣泛傳播時，這兩種反應都可能被放大。生成式人工智能在2022年秋季的到來是這一現象的最新例子，因為它的采用出乎意料的迅速，以及随後公司和消費者争相部署、內建和使用它。
我們所有人都在了解這項技術的力量、範圍和能力的旅程的開始。如果過去的八個月有任何指導意義的話，那麼未來幾年将帶我們坐上過山車，以快節奏的創新和技術突破為特征，迫使我們重新調整我們對人工智能對我們的工作和生活的影響的了解。正确了解這一現象并預測其影響是很重要的。鑒于到目前為止生成式人工智能的部署速度，加速數字化轉型和重新教育訓練勞動力的需求是巨大的。
在全球經濟正在考慮适應和減緩氣候變化的巨大成本之際，這些工具有可能為全球經濟創造巨大價值。與此同時，它們也有可能比前幾代人工智能更不穩定。他們能夠擁有最具人性的能力，語言，這是與專業知識和知識相關的大多數工作活動的基本要求，也是一種可以用來傷害感情、制造誤解、掩蓋真相、煽動暴力甚至戰争的技能。
我們希望能夠更好地了解生成式人工智能為公司營運增加價值、推動經濟增長和繁榮的能力，以及它極大地改變我們的工作方式和社會目标的潛力。公司、政策制定者、消費者和公民可以共同努力，確定生成式人工智能實作其創造重大價值的承諾，同時限制其擾亂生活和生計的潛力。
封面圖源：Pixabay
—END—